Java獲取任意http網(wǎng)頁源代碼的方法
本文實例講述了JAVA獲取任意http網(wǎng)頁源代碼。分享給大家供大家參考,具體如下:
JAVA獲取任意http網(wǎng)頁源代碼可實現(xiàn)如下功能:
1. 獲取任意http網(wǎng)頁的代碼
2. 獲取任意http網(wǎng)頁去掉HTML標簽的代碼
Webpage類:
/** * 網(wǎng)頁操作相關類 */ package test; import java.io.BufferedReader; import java.io.InputStreamReader; import java.net.URL; import java.util.regex.Matcher; import java.util.regex.Pattern; /** * @author winddack * */ public class Webpage { private String pageUrl;//定義需要操作的網(wǎng)頁地址 private String pageEncode="UTF8";//定義需要操作的網(wǎng)頁的編碼 public String getPageUrl() { return pageUrl; } public void setPageUrl(String pageUrl) { this.pageUrl = pageUrl; } public String getPageEncode() { return pageEncode; } public void setPageEncode(String pageEncode) { this.pageEncode = pageEncode; } //定義取源碼的方法 public String getPageSource() { StringBuffer sb = new StringBuffer(); try { //構建一URL對象 URL url = new URL(pageUrl); //使用openStream得到一輸入流并由此構造一個BufferedReader對象 BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), pageEncode)); String line; //讀取www資源 while ((line = in.readLine()) != null) { sb.append(line); } in.close(); } catch (Exception ex) { System.err.println(ex); } return sb.toString(); } //定義一個把HTML標簽刪除過的源碼的方法 public String getPageSourceWithoutHtml() { final String regEx_script = "<script[^>]*?>[\\s\\S]*?<\\/script>"; // 定義script的正則表達式 final String regEx_style = "<style[^>]*?>[\\s\\S]*?<\\/style>"; // 定義style的正則表達式 final String regEx_html = "<[^>]+>"; // 定義HTML標簽的正則表達式 final String regEx_space = "\\s*|\t|\r|\n";//定義空格回車換行符 String htmlStr = getPageSource();//獲取未處理過的源碼 Pattern p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE); Matcher m_script = p_script.matcher(htmlStr); htmlStr = m_script.replaceAll(""); // 過濾script標簽 Pattern p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE); Matcher m_style = p_style.matcher(htmlStr); htmlStr = m_style.replaceAll(""); // 過濾style標簽 Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE); Matcher m_html = p_html.matcher(htmlStr); htmlStr = m_html.replaceAll(""); // 過濾html標簽 Pattern p_space = Pattern.compile(regEx_space, Pattern.CASE_INSENSITIVE); Matcher m_space = p_space.matcher(htmlStr); htmlStr = m_space.replaceAll(""); // 過濾空格回車標簽 htmlStr = htmlStr.trim(); // 返回文本字符串 htmlStr = htmlStr.replaceAll(" ", ""); htmlStr = htmlStr.substring(0, htmlStr.indexOf("。")+1); return htmlStr; } }
調用:
Webpage page=new Webpage(); page.setPageUrl("http://www.baidu.com"); String code=page.getPageSourceWithoutHtml(); System.out.println(code);
PS:這里再為大家提供2款非常方便的正則表達式工具供大家參考使用:
JavaScript正則表達式在線測試工具:
http://tools.jb51.net/regex/javascript
正則表達式在線生成工具:
http://tools.jb51.net/regex/create_reg
更多關于java算法相關內容感興趣的讀者可查看本站專題:《Java正則表達式技巧大全》、《Java數(shù)據(jù)結構與算法教程》、《Java操作DOM節(jié)點技巧總結》、《Java文件與目錄操作技巧匯總》和《Java緩存操作技巧匯總》
希望本文所述對大家java程序設計有所幫助。
- JAVA使用爬蟲抓取網(wǎng)站網(wǎng)頁內容的方法
- java抓取網(wǎng)頁數(shù)據(jù)獲取網(wǎng)頁中所有的鏈接實例分享
- java正則表達式匹配網(wǎng)頁所有網(wǎng)址和鏈接文字的示例
- java簡單網(wǎng)頁抓取的實現(xiàn)方法
- Java中使用正則表達式獲取網(wǎng)頁中所有圖片的路徑
- java 抓取網(wǎng)頁內容實現(xiàn)代碼
- java抓取網(wǎng)頁數(shù)據(jù)示例
- Java用正則表達式如何讀取網(wǎng)頁內容
- java實現(xiàn)網(wǎng)頁解析示例
- 用javascrpt將指定網(wǎng)頁保存為Excel的代碼
相關文章
Java中double數(shù)值保留兩位小數(shù)的4種實現(xiàn)方式舉例
在Java編程中,我們經常遇到需要對double類型的浮點數(shù)進行精確截斷或四舍五入保留兩位小數(shù)的需求,這篇文章主要給大家介紹了關于Java中double數(shù)值保留兩位小數(shù)的4種實現(xiàn)方式,需要的朋友可以參考下2024-07-07Java class文件格式之屬性_動力節(jié)點Java學院整理
在本文中, 主要講解了class文件中的一些屬性。 這些屬性可以出現(xiàn)在class文件中的對個地方, 用來描述一些其他信息2017-06-06關于spring?boot使用?jdbc+mysql?連接的問題
這篇文章主要介紹了spring?boot使用?jdbc+mysql?連接,在這里mysql?8.x版本驅動包,要使用?com.mysql.cj.jdbc.Driver作為驅動類,文中給大家詳細介紹,需要的朋友可以參考下2022-03-03配置了jdk的環(huán)境idea卻提示找不到jdk解決辦法
在使用Java編程語言進行開發(fā)時,IDEA是一個非常流行和強大的集成開發(fā)環(huán)境,這篇文章主要給大家介紹了關于配置了jdk的環(huán)境idea卻提示找不到jdk的解決辦法,需要的朋友可以參考下2023-12-12